【论文阅读】 Aspect Based Sentiment Analysis with Gated Convolutional Networks

Aspect Based Sentiment Analysis with Gated Convolutional Networks

Abstract

把细粒度情感分析分为两种，ACSA（给定一系列aspect，判断句子对aspect的情感极性）和ATSA（对句子中出现的taget，判断句子对target的情感极性）。之前的方法大多数使用LSTM和attention，模型复杂训练时间长。文章提出一个基于CNN和门机制的模型，模型更加简单，而且能并行运行。

Gated Convolutional Network with Aspect Embedding

每个卷积过滤器会以不同粒度从embedding vector中提取n-gram特征。普通CNN的提取过程是这样的

对每个过滤器，最大池化层取出最大值的特征，最终得到固定大小的vector，大小等于filter数。

可以看到模型架构如图，两个CNN，对应两个门，其中一个额外接受aspect embedding的信息，最后过最大池化后果softmax进行分类。

其中va就是给定的aspect embedding，可以看到相当于两个CNN分别来提取情感特征和句子aspect特征
最后损失函数是交叉熵

对于ATSA问题，就在该模型的基础上多加了一个CNN用来提取target terms的信息，以往的工作中往往就是词向量相加去平均

实验

在SemEval2014数据集上，还把里面特别难的（含多个target多个情感极性）的句子单独构建了一个Hard数据集
数据集规模如下

结果如下